CN113919047A - 一种整车试验场耐久性用户关联建模求解方法 - Google Patents
一种整车试验场耐久性用户关联建模求解方法 Download PDFInfo
- Publication number
- CN113919047A CN113919047A CN202110967509.3A CN202110967509A CN113919047A CN 113919047 A CN113919047 A CN 113919047A CN 202110967509 A CN202110967509 A CN 202110967509A CN 113919047 A CN113919047 A CN 113919047A
- Authority
- CN
- China
- Prior art keywords
- damage
- test field
- road
- user
- main control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 16
- 238000013461 design Methods 0.000 claims description 33
- 230000004044 response Effects 0.000 claims description 13
- 230000008458 response to injury Effects 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000001595 flow curve Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 4
- 210000003127 knee Anatomy 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 241000510097 Megalonaias nervosa Species 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013100 final test Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 239000004575 stone Substances 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- BUCXEFZXWKUCCY-UHFFFAOYSA-N 4-methyl-3-(2-phenylethyl)-1,2,4-oxadiazol-5-one Chemical compound O1C(=O)N(C)C(CCC=2C=CC=CC=2)=N1 BUCXEFZXWKUCCY-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002229 photoelectron microspectroscopy Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种整车试验场耐久性用户关联建模求解方法,基于最小二乘法求解“试验场‑用户”损伤等效关联模型难以匹配全部重点关注测试通道损伤值,而一次求解所有测试通道试验场循环损伤与用户目标损伤差值最小化的多目标优化模型难以收敛且无法兼顾各测试通道损伤频域分布和载荷雨流谱的匹配性等不足,而提供一种基于多测试通道损伤幅值域、频域、载荷雨流域双层级协同优化的整车耐久性“试验场‑用户”关联建模求解方法。
Description
技术领域
本发明属于车辆耐久性试验技术领域,尤其是涉及一种整车试验场耐久性用户关联建模求解方法。
背景技术
汽车耐久性作为衡量整车产品质量的一个重要指标,长期以来受到主机厂与用户的高度重视。试验场的强化耐久道路具有仿真度高、可比性强及路面功率相对稳定等特点,因此,试验场强化试验是汽车产品质量考核的重要方法,利用其排查整车及零部件的疲劳耐久问题、验证优化方案是行业重要研究手段。然而,目前国内试验场测试规范大多基于工程经验制定,尚未充分考虑用户使用情况,导致汽车试验场测试暴露出的很多故障,在用户使用中却未发生,反之亦然,试验规范不能完全考察整车耐久问题。如何在试验场内高度复现用户实际使用条件下车辆各部位的损伤特征,建立试验场与用户损伤的有效关联,是汽车行业开发试验场整车耐久性道路试验规范所面临的一项重大挑战。
针对整车各部位测试通道特点,建立一个考虑多数据通道损伤幅值域、频域、载荷雨流域高度匹配的整车耐久性“试验场-用户”关联数学建模及求解方法,对于试验场车辆耐久可靠性测试规范制定具有重要指导意义。
发明内容
有鉴于此,为克服现有技术的缺陷,本发明旨在提出一种整车试验场耐久性用户关联建模求解方法,通过远程监测大数据研究分析NOx排放及油耗特征,分析导致其高NOx和高油耗的原因并提出对应的优化措施建议,解决当前重型柴油车NOx排放和油耗测试优化依靠实验室转鼓或实际道路PEMS测试,节约人力资源成本。
为达到上述目的,本发明的技术方案是这样实现的:
一种整车试验场耐久性用户关联建模求解方法,包括以下步骤:
S1、基于整车公共道路行驶测试数据计算统计各测试通道的用户目标损伤值、损伤频域分布和载荷雨流谱;统计车辆在试验场各类强化耐久路段测试所得各通道损伤值、损伤频域分布和载荷雨流谱;
S2、基于研究的重要程度将全部测试通道分为主要控制通道与参考通道;
S3、定义试验场各类强化耐久路段的行驶循环数为设计变量,通过设定上下界建立设计域,基于试验设计方法在设计域中抽取一定数量的样本点;
S4、获取样本点对应的试验场循环工况下各主要控制通道损伤频域分布和载荷雨流谱与用户目标损伤频域分布和载荷雨流谱之间的相对差值,通过聚类分析方法得到损伤频域分布的敏感频段和载荷雨流谱的敏感子域;
S5、以试验场循环工况与用户目标在敏感子域内的相对差值建立频域损伤响应和载荷雨流域响应,以试验场循环损伤与用户目标损伤的相对差值建立循环损伤响应;
构造试验场各路段行驶循环数为设计变量,循环损伤响应、频域损伤响应和载荷雨流域响应最小化为设计目标,试验场各路况空间分布线性相关性为等式约束,总试验里程小于N万公里为不等式约束的各主要控制通道优化数学模型;
采用智能优化算法求解各主要控制通道的各目标优化模型,获取解集,实现主要控制通道的优化求解;
S6、划分损伤频段区间,计算各频段内试验场循环及用户目标的损伤相对差值,通过各频段损伤加权建立考虑频域信息的各参考通道损伤响应;
构造试验场各路段行驶循环数为设计变量,全部参考通道损伤响应加权最小化为设计目标,试验场各路况空间分布线性相关性为等式约束的参考通道优化数学模型;
求解参考通道的数学模型,获取参考通道最优解。
进一步的,步骤S1的具体方法如下:
在车辆的轮心、车桥、车架、驾驶室、悬架结构位置布置相应的加速度、位移、应变传感器,根据该车型用户使用道路类型及典型路段调查,开展城市路、乡村路、一般公路、山路及工地路用户道路载荷谱采集,基于蒙特卡洛方法进行载荷谱外推获得用户使用车辆全生命周期内90百分位的载荷谱数据;
选择某汽车试验场的强化耐久道路,在坑洼路、扭曲路、石块路、卵石路、搓板路特征路面下开展试验场道路载荷谱数据采集;
通过去毛刺、去除趋势项、低通滤波、数据分隔方式处理载荷数据,采用Ncode软件计算获取用户使用道路及试验场各路段下全部测试通道的损伤值、损伤频域谱和载荷雨流曲线。
进一步的,步骤S2中,将车轮六分力、轴头三向力、三向力矩、车身应变传感器通道定义为主要控制通道;将轴头加速度、质心加速度、螺旋弹簧位移传感器通道定义为参考通道。
进一步的,步骤S3的具体方法如下:
将试验场各类强化耐久路段的行驶循环数定义为设计变量,各设计变量下限均设定为0,各通道目标损伤除以该路况下损伤得到的比值作为设计变量上限;基于最优拉丁超立方试验设计方法,在设计域中抽取数量为(n+1)(n+2)/2个样本点,其中,n为试验场强化耐久路种类,并在Ncode软件中计算各样本点对应的路况组合下各主要控制通道的总损伤值、损伤频域谱和载荷雨流曲线。
进一步的,步骤S4的具体方法如下:
S401、计算获取试验场循环工况下各主要控制通道损伤频域分布和载荷雨流谱与用户目标损伤频域分布和载荷雨流谱之间的相对差值曲线,对各差值曲线进行归一化处理;
S402、采用模糊C均值聚类方法沿各归一化差值曲线纵坐标轴进行数据聚类化处理,基于聚类结果对曲线进行分段,在每段内取归一化损伤/载荷的均值实现数据简化;
通过式(1)对所有样本点对应的聚类化差值曲线进行累积化处理:
式中,rt l与Rt分别代表第l个样本点对应的聚类化差值曲线及累积化差值曲线在t频率下的损伤值或t循环次数下的载荷值,m为样本点数量;
S403、再次采用模糊C均值聚类方法沿横坐标轴对累积化差值曲线数据进行聚类化处理;
S404、将二次累积化曲线上的损伤均值或载荷均值作为阈值;如果经上步聚类化处理后得到的某频段损伤均值或某循环片段载荷均值不小于阈值,则将该频段及循环片段提取出来作为敏感子域。
进一步的,步骤S5的具体方法如下:
基于式(2)定义各主要控制通道的响应:
式中,与分别为第i个主要控制通道用户目标和试验场循环工况下的损伤,与分别为第i个主要控制通道用户目标和试验场循环工况下敏感频段的平均损伤,与分别为第i个主要控制通道用户目标和试验场循环工况下敏感循环片段的平均载荷;
通过式(3)定义各主要控制通道3目标优化模型:
式中,x为设计变量―试验场各路段循环数,上角标L、U分别代表上下限,A·x=B为考虑试验场各路况空间分布相关性的线性等式约束,C·x≤D为线性不等式约束―为试验场总测试里程设定上限。
进一步的,步骤S5中,主要控制通道优化求解的具体方法如下:
采用多目标粒子群优化算法求解各主要控制通道的3目标优化模型,获取Pareto解集。
进一步的,步骤S6的具体方法如下:
根据用户目标道路功率谱密度分布采用倍频程方式定义频率区间,计算用户目标下各参考通道在各频段的平均损伤Fp(x),通过线性叠加计算试验场循环工况下各参考通道在各频段的平均损伤Fd(x),基于式(4)定义各参考通道的响应:
式中,上角标j、k分别代表第j个参考通道和第k个频段;
通过式(5)定义全部参考通道加权多目标优化模型:
式中,u和w分别为参考通道与频段的总数;
采用序列二次规划算法求解参考通道的加权多目标优化模型,获取参考通道最优解。
进一步的,在步骤S5中,对主要控制通道优化求解后,还需要进行筛选处理,用以得到主要控制通道的最优解,具体方法如下:
基于式(6)提取各主要控制通道Pareto解集中的“拐点”解;
式中,N为目标方程的数量,fcτ为第C个Pareto最优解中对应的第τ个目标函数值;D代表“拐点”至“理想点”的欧几里得距离;将各“拐点”解代入式(2)中遍历计算全部主要控制通道的响应,通过式(7)对“拐点”解进行筛选,满足要求的“拐点”解即为主要控制通道优化模型的最优解;
式中,xi为第i个主要控制通道的“拐点”解。
进一步的,在筛选得到主要控制通道最优解和参考通道的优化求解后,还需要判断优化算法是否进行收敛,具体方法如下:
将筛选处理得到的主要控制通道最优解xα及步骤S6的参考通道最优解xβ代入式(8),如果满足式(8)要求,则算法收敛,xα则为最终的试验场各路段循环方案;如果不满足式(8)要求,则计算xβ对应的试验场总行驶里程,将该里程返回至式(3)中的不等式约束,更新主要控制通道优化模型后重新求解,直至收敛:
式(8)公式如下:
式中,η为阈值,可根据实际情况设定。
相对于现有技术,本发明所述的整车试验场耐久性用户关联建模求解方法具有以下优势:
本发明所述的整车试验场耐久性用户关联建模求解方法通过多测试通道损伤幅值域、频域、载荷雨流域双层级协同优化求解,获取试验场各路段的行驶循环方案,可以快速有效的暴露出用户使用工况下存在的疲劳耐久问题,为整车产品的结构耐久优化提供可靠依据,同时也可为整车耐久性试验方法标准、规范的制修订提供科学参考,助力汽车产业的健康发展。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为整车试验场耐久性用户关联建模求解方法流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示,一种整车试验场耐久性用户关联建模求解方法,包括以下步骤:
步骤一:在车辆的轮心、车桥、车架、驾驶室、悬架结构等位置布置相应的加速度、位移、应变等传感器,根据该车型用户使用道路类型及典型路段调查,开展城市路、乡村路、一般公路、山路及工地路等用户道路载荷谱采集,基于蒙特卡洛方法进行载荷谱外推获得用户使用车辆全生命周期内90百分位的载荷谱数据。选择某汽车试验场的强化耐久道路,在坑洼路、扭曲路、石块路、卵石路、搓板路等特征路面下开展试验场道路载荷谱数据采集。通过去毛刺、去除趋势项、低通滤波、数据分隔等方式处理载荷数据,采用Ncode软件计算获取用户使用道路(用户目标)及试验场各路段下全部测试通道的损伤值、损伤频域谱和载荷雨流曲线。
步骤二:将车轮六分力、轴头三向力、三向力矩,车身应变等传感器通道定义为主要控制通道,将轴头加速度、质心加速度、螺旋弹簧位移等传感器通道定义为参考通道。
步骤三:将试验场各类强化耐久路段的行驶循环数定义为设计变量,各变量下限均设定为0,各通道目标损伤除以该路况下损伤得到的比值作为设计变量上限。基于最优拉丁超立方试验设计方法,在设计域中抽取数量为(n+1)(n+2)/2个样本点(n为试验场强化耐久路种类),并在Ncode软件中计算各样本点对应的路况组合下各主要控制通道的总损伤值、损伤频域谱和载荷雨流曲线。
步骤四:计算获取试验场循环工况下各主要控制通道损伤频域分布和载荷雨流谱与用户目标之间的相对差值曲线,对各差值曲线进行归一化处理。采用模糊C均值聚类方法沿各归一化差值曲线纵坐标轴(损伤轴/载荷轴)进行数据聚类化处理,基于聚类结果对曲线进行分段,在每段内取归一化损伤/载荷的均值实现数据简化。通过式(1)对所有样本点对应的聚类化差值曲线进行累积化处理:
式中,与Rt分别代表第l个样本点对应的聚类化差值曲线及累积化差值曲线在t频率下的损伤值或t循环次数下的载荷值,m为样本点数量。再次采用模糊C均值聚类方法沿横坐标轴(频率轴/循环次数轴)对累积化差值曲线数据进行聚类化处理。最后,将二次累积化曲线上的损伤均值或载荷均值作为阈值。如果经上步聚类化处理后得到的某频段损伤均值或某循环片段载荷均值不小于阈值,则将该频段及循环片段提取出来作为敏感子域。
步骤五:基于式(2)定义各主要控制通道的响应:
式中,与分别为第i个主要控制通道用户目标和试验场循环工况下的损伤,与分别为第i个主要控制通道用户目标和试验场循环工况下敏感频段的平均损伤,与分别为第i个主要控制通道用户目标和试验场循环工况下敏感循环片段的平均载荷。通过式(3)定义各主要控制通道3目标优化模型:
式中,x为设计变量―试验场各路段循环数,上角标L、U分别代表上下限,A·x=B为考虑试验场各路况空间分布相关性的线性等式约束,C·x≤D为线性不等式约束―为试验场总测试里程设定上限。
步骤六:根据用户目标道路功率谱密度分布采用倍频程方式定义频率区间,计算用户目标下各参考通道在各频段的平均损伤Fp(x),通过线性叠加计算试验场循环工况下各参考通道在各频段的平均损伤Fd(x),基于式(4)定义各参考通道的响应:
式中,上角标j、k分别代表第j个参考通道和第k个频段。通过式(5)定义全部参考通道加权多目标优化模型:
式中,u和w分别为参考通道与频段的总数。
步骤七:采用多目标粒子群优化算法求解各主要控制通道的3目标优化模型,获取Pareto解集。
步骤八:基于式(6)提取各主要控制通道Pareto解集中的“拐点”解。
式中,N为目标方程的数量(这里为3),fcτ为第C个Pareto最优解中对应的第τ个目标函数值;D代表“拐点”至“理想点”的欧几里得距离。将各“拐点”解代入式(2)中遍历计算全部主要控制通道的响应,通过式(7)对“拐点”解进行筛选,满足要求的“拐点”解即为主要控制通道优化模型的最优解。
式中,xi为第i个主要控制通道的“拐点”解。
步骤九:采用序列二次规划算法求解参考通道的加权多目标优化模型,获取参考通道最优解。
步骤十:将步骤八的最优解xα及步骤九的参考通道最优解xβ代入式(8),如果满足式(8)要求,则算法收敛,xα则为最终的试验场各路段循环方案;如果不满足式(8)要求,则计算xβ对应的试验场总行驶里程,将该里程返回至式(3)中的不等式约束,更新主要控制通道优化模型后重新求解,直至收敛。
式中,η为阈值,可根据实际情况设定。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种整车试验场耐久性用户关联建模求解方法,其特征在于,包括以下步骤:
S1、基于整车公共道路行驶测试数据计算统计各测试通道的用户目标损伤值、损伤频域分布和载荷雨流谱;统计车辆在试验场各类强化耐久路段测试所得各通道损伤值、损伤频域分布和载荷雨流谱;
S2、基于研究的重要程度将全部测试通道分为主要控制通道与参考通道;
S3、定义试验场各类强化耐久路段的行驶循环数为设计变量,通过设定上下界建立设计域,基于试验设计方法在设计域中抽取一定数量的样本点;
S4、获取样本点对应的试验场循环工况下各主要控制通道损伤频域分布和载荷雨流谱与用户目标损伤频域分布和载荷雨流谱之间的相对差值,通过聚类分析方法得到损伤频域分布的敏感频段和载荷雨流谱的敏感子域;
S5、以试验场循环工况与用户目标在敏感子域内的相对差值建立频域损伤响应和载荷雨流域响应,以试验场循环损伤与用户目标损伤的相对差值建立循环损伤响应;
构造试验场各路段行驶循环数为设计变量,循环损伤响应、频域损伤响应和载荷雨流域响应最小化为设计目标,试验场各路况空间分布线性相关性为等式约束,总试验里程小于N万公里为不等式约束的各主要控制通道优化数学模型;
采用智能优化算法求解各主要控制通道的各目标优化模型,获取解集,实现主要控制通道的优化求解;
S6、划分损伤频段区间,计算各频段内试验场循环及用户目标的损伤相对差值,通过各频段损伤加权建立考虑频域信息的各参考通道损伤响应;
构造试验场各路段行驶循环数为设计变量,全部参考通道损伤响应加权最小化为设计目标,试验场各路况空间分布线性相关性为等式约束的参考通道优化数学模型;
求解参考通道的数学模型,获取参考通道最优解。
2.根据权利要求1所述的整车试验场耐久性用户关联建模求解方法,其特征在于,步骤S1的具体方法如下:
在车辆的轮心、车桥、车架、驾驶室、悬架结构位置布置相应的加速度、位移、应变传感器,根据该车型用户使用道路类型及典型路段调查,开展城市路、乡村路、一般公路、山路及工地路用户道路载荷谱采集,基于蒙特卡洛方法进行载荷谱外推获得用户使用车辆全生命周期内90百分位的载荷谱数据;
选择某汽车试验场的强化耐久道路,在坑洼路、扭曲路、石块路、卵石路、搓板路特征路面下开展试验场道路载荷谱数据采集;
通过去毛刺、去除趋势项、低通滤波、数据分隔方式处理载荷数据,采用Ncode软件计算获取用户使用道路及试验场各路段下全部测试通道的损伤值、损伤频域谱和载荷雨流曲线。
3.根据权利要求1所述的整车试验场耐久性用户关联建模求解方法,其特征在于,步骤S2中,将车轮六分力、轴头三向力、三向力矩、车身应变传感器通道定义为主要控制通道;将轴头加速度、质心加速度、螺旋弹簧位移传感器通道定义为参考通道。
4.根据权利要求1所述的整车试验场耐久性用户关联建模求解方法,其特征在于,步骤S3的具体方法如下:
将试验场各类强化耐久路段的行驶循环数定义为设计变量,各设计变量下限均设定为0,各通道目标损伤除以该路况下损伤得到的比值作为设计变量上限;基于最优拉丁超立方试验设计方法,在设计域中抽取数量为(n+1)(n+2)/2个样本点,其中,n为试验场强化耐久路种类,并在Ncode软件中计算各样本点对应的路况组合下各主要控制通道的总损伤值、损伤频域谱和载荷雨流曲线。
5.根据权利要求1所述的整车试验场耐久性用户关联建模求解方法,其特征在于:步骤S4的具体方法如下:
S401、计算获取试验场循环工况下各主要控制通道损伤频域分布和载荷雨流谱与用户目标损伤频域分布和载荷雨流谱之间的相对差值曲线,对各差值曲线进行归一化处理;
S402、采用模糊C均值聚类方法沿各归一化差值曲线纵坐标轴进行数据聚类化处理,基于聚类结果对曲线进行分段,在每段内取归一化损伤/载荷的均值实现数据简化;
通过式(1)对所有样本点对应的聚类化差值曲线进行累积化处理:
式中,rt l与Rt分别代表第l个样本点对应的聚类化差值曲线及累积化差值曲线在t频率下的损伤值或t循环次数下的载荷值,m为样本点数量;
S403、再次采用模糊C均值聚类方法沿横坐标轴对累积化差值曲线数据进行聚类化处理;
S404、将二次累积化曲线上的损伤均值或载荷均值作为阈值;如果经上步聚类化处理后得到的某频段损伤均值或某循环片段载荷均值不小于阈值,则将该频段及循环片段提取出来作为敏感子域。
7.根据权利要求6所述的整车试验场耐久性用户关联建模求解方法,其特征在于,步骤S5中,主要控制通道优化求解的具体方法如下:
采用多目标粒子群优化算法求解各主要控制通道的3目标优化模型,获取Pareto解集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967509.3A CN113919047B (zh) | 2021-08-23 | 2021-08-23 | 一种整车试验场耐久性用户关联建模求解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967509.3A CN113919047B (zh) | 2021-08-23 | 2021-08-23 | 一种整车试验场耐久性用户关联建模求解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113919047A true CN113919047A (zh) | 2022-01-11 |
CN113919047B CN113919047B (zh) | 2024-04-09 |
Family
ID=79233434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110967509.3A Active CN113919047B (zh) | 2021-08-23 | 2021-08-23 | 一种整车试验场耐久性用户关联建模求解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919047B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676598A (zh) * | 2022-05-25 | 2022-06-28 | 岚图汽车科技有限公司 | 汽车车身系统的整车道路耐久试验的加速方法和装置 |
CN114757058A (zh) * | 2022-06-14 | 2022-07-15 | 岚图汽车科技有限公司 | 基于粒子群算法的汽车时域载荷外推方法及装置 |
CN114841292A (zh) * | 2022-07-04 | 2022-08-02 | 岚图汽车科技有限公司 | 一种汽车转向系统台架耐久试验载荷的获取方法及装置 |
CN115310308A (zh) * | 2022-10-12 | 2022-11-08 | 岚图汽车科技有限公司 | 一种悬架系统耐久试验优化方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393079A (zh) * | 2008-11-06 | 2009-03-25 | 上海交通大学 | 汽车车身结构疲劳寿命预测系统 |
CN111222199A (zh) * | 2019-11-13 | 2020-06-02 | 中国汽车工程研究院股份有限公司 | 用户与试验场关联时关键指标选择与等效计算方法 |
CN111680409A (zh) * | 2020-05-27 | 2020-09-18 | 中国汽车技术研究中心有限公司 | 一种汽车结构耐久程序的试验场关联方法 |
US20210141981A1 (en) * | 2019-11-08 | 2021-05-13 | Dalian University Of Technology | Structural non-gradient topology optimization method based on sequential kriging surrogate model |
-
2021
- 2021-08-23 CN CN202110967509.3A patent/CN113919047B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393079A (zh) * | 2008-11-06 | 2009-03-25 | 上海交通大学 | 汽车车身结构疲劳寿命预测系统 |
US20210141981A1 (en) * | 2019-11-08 | 2021-05-13 | Dalian University Of Technology | Structural non-gradient topology optimization method based on sequential kriging surrogate model |
CN111222199A (zh) * | 2019-11-13 | 2020-06-02 | 中国汽车工程研究院股份有限公司 | 用户与试验场关联时关键指标选择与等效计算方法 |
CN111680409A (zh) * | 2020-05-27 | 2020-09-18 | 中国汽车技术研究中心有限公司 | 一种汽车结构耐久程序的试验场关联方法 |
Non-Patent Citations (2)
Title |
---|
李洪涛;顾振飞;叶沛;郑松林;赵礼辉;: "试验场整车结构耐久性评价等效方法研究", 汽车工程学报, no. 05, 20 September 2020 (2020-09-20) * |
陈传钦;陈春燕;钟志宏;周德泉;: "基于用户道路载荷谱采集的试验场关联研究", 工程与试验, no. 02, 15 June 2020 (2020-06-15) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676598A (zh) * | 2022-05-25 | 2022-06-28 | 岚图汽车科技有限公司 | 汽车车身系统的整车道路耐久试验的加速方法和装置 |
CN114757058A (zh) * | 2022-06-14 | 2022-07-15 | 岚图汽车科技有限公司 | 基于粒子群算法的汽车时域载荷外推方法及装置 |
CN114841292A (zh) * | 2022-07-04 | 2022-08-02 | 岚图汽车科技有限公司 | 一种汽车转向系统台架耐久试验载荷的获取方法及装置 |
CN115310308A (zh) * | 2022-10-12 | 2022-11-08 | 岚图汽车科技有限公司 | 一种悬架系统耐久试验优化方法、装置、设备及存储介质 |
CN115310308B (zh) * | 2022-10-12 | 2023-01-31 | 岚图汽车科技有限公司 | 一种悬架系统耐久试验优化方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113919047B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113919047A (zh) | 一种整车试验场耐久性用户关联建模求解方法 | |
CN106055918B (zh) | 一种电力系统负荷数据的辨识及修正方法 | |
CN105372087A (zh) | 基于多传感器信号分析的故障诊断方法 | |
CN105844060B (zh) | 一种可评估结构非概率可靠度的安全系数设计方法 | |
CN110568360B (zh) | 一种基于模糊逻辑算法的锂电池老化诊断方法 | |
CN114971301B (zh) | 一种基于自动调参优化模型的生态干扰风险识别评估方法 | |
CN110276116B (zh) | 一种煤矿突水水源判别方法及系统 | |
CN104239712A (zh) | 一种雷达抗干扰效能实时评估方法 | |
CN107067341A (zh) | 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法 | |
CN107295537A (zh) | 一种测评无线传感器网络可靠性的方法及系统 | |
CN113297685B (zh) | 一种车辆运行工况模式识别方法 | |
CN116881819A (zh) | 一种基于孤立森林的斜拉索工作状态监测方法 | |
Yao et al. | Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network | |
CN115342814A (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
CN117251802B (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
CN112926384B (zh) | 一种基于功率谱传递比和支持向量机的模态自动识别方法 | |
Shashank et al. | Analysis of enablers and barriers in adopting electric vehicles in India: DEMATEL-ISM approach | |
CN116109039A (zh) | 一种数据驱动异常检测与预警系统 | |
CN111985782B (zh) | 基于环境感知的自动驾驶有轨电车运行风险评估方法 | |
CN114282714A (zh) | 一种基于广义回归神经网络的电能表状态分析评价方法 | |
CN114355218A (zh) | 一种基于多特征量筛选的锂离子电池荷电状态预测方法 | |
CN114004525A (zh) | 基于模糊综合评价法面向用户侧的电能替代效益评价方法 | |
Zhao et al. | Application of data fusion based on clustering-neural network for ETC gantry flow capacity correction | |
CN117729058B (zh) | 一种应对网络攻击的信息物理系统关键节点辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |